Regresión de expectiles con Markov oculto para analizar el riesgo de criptomonedas

Resumen

El artículo presenta un modelo lineal de Markov oculto con expectiles para estudiar los rendimientos de criptomonedas en un contexto de gestión del riesgo. Los expectiles permiten centrar el análisis en partes asimétricas de la distribución de rendimientos, mientras que los coeficientes del modelo cambian con el tiempo según una cadena de Markov discreta no observada. El modelo utiliza una distribución normal asimétrica para la estimación y un procedimiento de Expectation-Maximization con fórmulas de actualización de sus parámetros.

Los autores evalúan el método con datos simulados en varios escenarios experimentales y con rendimientos diarios de Bitcoin junto con los principales índices de los mercados mundiales. El documento describe el método y el diseño de la evaluación, pero no presenta resultados empíricos concretos ni comparaciones de rendimiento. Por tanto, su alcance es metodológico: el resumen no demuestra que el modelo mejore las previsiones ni las decisiones de riesgo, ni especifica cómo varían los resultados entre criptomonedas o condiciones de mercado.

Ideas clave

• El modelo utiliza regresión de expectiles para centrarse en los rasgos asimétricos de los rendimientos de las criptomonedas.
• Los estados latentes de Markov permiten que los coeficientes de regresión evolucionen con el tiempo.
• Una distribución normal asimétrica permite estimar por máxima verosimilitud.
• Un algoritmo de Expectation-Maximization proporciona las actualizaciones de los parámetros.
• La evaluación abarca datos simulados y rendimientos de Bitcoin en relación con los principales índices de mercado.

Etiquetas

# Expectile hidden Markov regression models for analyzing cryptocurrency returns


# Expectile hidden Markov regression models for analyzing cryptocurrency returns









In this paper we develop a linear expectile hidden Markov model for the analysis of cryptocurrency time series in a risk management framework. The methodology proposed allows to focus on extreme returns and describe their temporal evolution by introducing in the model time-dependent coefficients evolving according to a latent discrete homogeneous Markov chain. As it is often used in the expectile literature, estimation of the model parameters is based on the asymmetric normal distribution. Maximum likelihood estimates are obtained via an Expectation-Maximization algorithm using efficient M-step update formulas for all parameters. We evaluate the introduced method with both artificial data under several experimental settings and real data investigating the relationship between daily Bitcoin returns and major world market indices.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.